Wav2vec2 Conformer Rel Pos Large 100h Ft

🚀 Wav2Vec2-Conformer-Large-100h with Relative Position Embeddings

このモデルは、相対位置埋め込みを持つWav2Vec2 Conformerです。960時間のLibrispeechで事前学習され、100時間のLibrispeechで16kHzサンプリングの音声オーディオに対して微調整されています。モデルを使用する際には、入力音声も16kHzでサンプリングされていることを確認してください。

🚀 クイックスタート

このモデルは、音声ファイルの文字起こしに使用できます。以下のように、独立した音響モデルとして使用できます。

💻 使用例

基本的な使用法

 from transformers import Wav2Vec2Processor, Wav2Vec2ConformerForCTC
 from datasets import load_dataset
 import torch
 
 # load model and processor
 processor = Wav2Vec2Processor.from_pretrained("facebook/wav2vec2-conformer-rel-pos-large-100h-ft")
 model = Wav2Vec2ConformerForCTC.from_pretrained("facebook/wav2vec2-conformer-rel-pos-large-100h-ft")
     
 # load dummy dataset and read soundfiles
 ds = load_dataset("patrickvonplaten/librispeech_asr_dummy", "clean", split="validation")
 
 # tokenize
 input_values = processor(ds[0]["audio"]["array"], return_tensors="pt", padding="longest").input_values
 
 # retrieve logits
 logits = model(input_values).logits
 
 # take argmax and decode
 predicted_ids = torch.argmax(logits, dim=-1)
 transcription = processor.batch_decode(predicted_ids)

📚 ドキュメント

• 論文: fairseq S2T: Fast Speech-to-Text Modeling with fairseq
• 著者: Changhan Wang, Yun Tang, Xutai Ma, Anne Wu, Sravya Popuri, Dmytro Okhonko, Juan Pino

Wav2Vec2-Conformerの結果は、公式論文の表3と表4に記載されています。元のモデルは、https://github.com/pytorch/fairseq/tree/master/examples/wav2vec#wav2vec-20 で見つけることができます。

📄 ライセンス

このモデルは、Apache-2.0ライセンスの下で提供されています。